一種基于DRNN神經網絡的自適應控制算法

李 靜

(山東商務職業學院 煙臺 264000)

一種基于DRNN神經網絡的自適應控制算法

李 靜

(山東商務職業學院 煙臺 264000)

現在很多實際系統很難用線性方程來描述,DRNN神經網絡在處理非線性問題上具有很大的優勢,具有較強的信息處理能力。論文提出了一種基于DRNN神經網絡的自適應PID控制算法,仿真結果顯示出:該控制算法在較短的時間內可以使系統獲得較好的動態性能,過渡過程的時間較短,具有較強的魯棒性。

神經網絡; 自適應; 系統辨識; 控制算法; 非線性; 辨識

Class Number TM256

1 引言

在現實世界中,存在著許多非線性系統。這些系統很難用線性模型來描述,只有用非線性模型才能準確地描述。現在,很多實際系統都比較復雜,對控制精度要求都很高。只憑普通的控制算法很難對實際系統進行建模[1～2]。為了獲得更加準確的控制算法,通常將智能控制算法與自適應控制算法結合在一起,以便更加精確地建立實際系統的非線性數學模型。基于DRNN神經網絡是一種自適應的非線性智能控制算法,它在處理非線性問題上具有很大的優勢,具有較強的信息處理能力。由于DRNN神經網絡具有超強的學習能力和非線性特性,是對非線性系統進行辨識的非常有效的方法[3～5]。

2 基于DRNN神經網絡的系統辨識

DRNN神經網絡是一種回歸神經網絡,網絡結構共有三層。DRNN神經網絡的結構圖如圖1所示。

圖1 DRNN神經網絡的結構圖

在DRNN神經網絡中,設I=[I1,I2,…,In]為網絡輸入向量,Ii(k)為輸入層第i個神經元的輸入,隱含層第j個神經元的輸出為Xj(k),Sj(k)為第j個回歸神經元輸入總和,f(·)為S函數,O(k)為DRNN網絡的輸出[6～8]。

DRNN神經網絡的算法為

式中,WD和WO為網絡回歸層和輸出層的權值向量,WI為網絡輸入層的權值向量。

u(k)和y(k)為辨識器的輸入。DRNN為網絡辨識器。y(k)為被控對象實際輸出,ym(k)為DRNN的輸出。將系統輸出y(k)及輸入u(k)的值作為辨識器的輸入,將系統輸出與網絡輸出的誤差作為辨識器的調整信號[9～10]。DRNN神經網絡辨識圖如圖2所示。

圖2 DRNN神經網絡辨識圖

網絡輸出層的輸出為

(1)

隱含層的輸出為

Xj(k)=f(Sj(k))

(2)

隱含層的輸入為

(3)

辨識誤差為

em(k)=y(k)-ym(k)

(4)

辨識指標取:

(5)

3 基于DRNN神經網絡的自適應控制算法

圖3 基于DRNN神經網絡自適應控制算法

基于DRNN神經網絡自適應控制算法如圖3所示,其中NN1和NN2為神經網絡,用于控制器u1和u2的PID參數為kp、ki、kd。r1和r2為系統輸入指令,y1和y2為系統輸出值。

以控制器u1為例,控制算法如下:

u1(k)=kp1(k)x1(k)+ki1(k)x2(k)+kd1(k)x3(k)

(6)

e1(k)=r1(k)-y1(k)

(7)

x1(k)=e1(k)

(8)

(9)

(10)

式中,T為采樣時間。采用DRNN神經網絡進行整定[11～12]。

(11)

(12)

(13)

(14)

4 基于DRNN神經網絡的自適應控制算法

假設被控系統模型如下所示:

(15)

(16)

其中未知參數a11=0.3,a12=0.7,a21=5.3,a22=15.2,按照上述設計控制律如下:

(17)

其中

(18)

(19)

(20)

仿真曲線如圖4～圖9。

通過仿真圖可以看出,狀態變量在整個過程中趨于穩定。誤差e1和e2經過短暫的過渡過程趨于穩定,誤差波形的震蕩幅度比較小,收斂得比較快。三個控制參數kp、ki、kd的收斂效果比較好,經過短暫的波動趨于穩定。可以看出,該控制算法具有超調量小,精度高,較快的響應速度,減少了系統的調節時間。

圖4 狀態x1曲線

圖5 誤差e1曲線

圖6 誤差e2曲線

圖7 參數kp曲線

圖8 參數ki曲線

圖9 參數kd曲線

5 結語

通過對基于DRNN神經網絡的自適應PID控制算法的仿真分析,和傳統PID控制算法相比,DRNN神經網絡具有自適應、自調整、自學習的功能,算法的抗干擾性比較強,減少了系統參數變化和外界干擾所引起的誤差。仿真結果顯示出:該控制算法在較短的時間內,可以使系統獲得較好的動態性能,過渡過程的時間較短,參數的收斂速度比較快,超調量較小,具有較強的魯棒性,該控制算法具有優良的控制效果。

[1] 孫亞飛,王旭.基于人工神經網絡的感應電機系統辨識[J].控制工程,2002(7):71-73. SUN Yafei, WANG Xu. Identification of induction motor using ANN[J]. Control Engineering of China,2002(7):71-73.

[2] 譚永紅.基于BP神經網絡的自適應控制[J].控制理論與應用,1994(2):81-87. TAN Yonghong. Adaptive control based on bp neural network[J]. Control Theory and Applicationes,1994(2):81-87.

[3] 蘇義鑫,楊熔.神經網絡在自動控制中的應用[J].武漢汽車工業大學學報,1996,18(2):25-28. SU Yixin, YANG Rong. Application of Neural Network to Automatic Control Problem[J]. Wuhan Automotive Polytechnic University,1996:18(2):25-28.

[4] 畢娟,沈鳳龍.基于神經網絡的交流電機PID控制系統[J].儀表技術與傳感器,2010(2):98-99. BI Juan, SHEN Fenglong. AC Motor PID Control System Based on Neural Network[J]. Instrument Technique and Sensor,2010(2):98-99.

[5] 劉華,黃田.基于神經網絡的一類非線性系統參數估計[J].天津大學學報,2012,27(5):563-566. LIU Hua, HUANG Tian. Parameter estimation method for a class of nonlinear systems using neural networks[J]. Journal of Tianjin University,2012,27(5):563-566.

[6] 馬金山,高珍.灰色PID控制算法及仿真研究[J].機械管理開發,2014(10):17-19. MA Jinshan, GAO Zhen. Grey PID control algorithm and simulation[J]. Mechanical Management and Development,2014(10):17-19.

[7] 李華,張健.神經網絡在直流無刷電機控制系統中的應用[J].太原理工大學學報,2012(5):475-478. LI Hua, ZHANG Jian. Application of Neural network in the Control System of DC Motor[J]. Journal of Taiyuan University of Technology,2012(5):475-478.

A Kind of Adaptive Control Algorithm Based on DRNN Neural Network

LI Jing

(Shandong Business Institute, Yantai 264000)

At present, it is difficult to use linear equation to describe many practical systems. DRNN neural network has great advantages in dealing with nonlinear problem, it has the strong ability of information processing. A kind of adaptive PID control algorithm based on DRNN neural network is proposed in this paper. The simulation results show that the control algorithm can make the system achieve better dynamic performance in a relatively short period of time, and have short transition time and strong robustness.

neural network, adaptive, system identification, control algorithm, nonlinear, identification

2016年8月7日,

2016年9月19日

李靜,女,講師,研究方向:計算機。

TM256

10.3969/j.issn.1672-9722.2017.02.025